基于改进Wasserstein生成对抗网络的出血性脑卒中CT图像去噪研究

目的 为提高无配对参考图像的出血性脑卒中CT的图像质量,提出一种基于改进Wasserstein生成对抗网络(Wasserstein generative adversarial network,W-GAN)的CT图像去噪算法。方法 以W-GAN网络为框架,在生成器部分引入视觉几何组(visual geometry group,VGG)网络计算感知损失模块,并在鉴别器部分加入自注意力机制和谱归一化卷积对模型进行改进,对输入的低剂量CT数据进行去噪,得到接近标准剂量的图像。随后对无配对参考图像的出血性脑卒中数据用训练完成的模型进行迁移学习,并对最终得到的图像分别使用全变分(total variation,TV)、无参考图像空间域质量评估(blind/referenceless image spatial quality evaluator,BRISQUE)和对比语言-图像预训练模型图像质量评估(contrastive language-image pre-training image quality assessment,CLIP-IQA)3种无参考图像质量评估方式进行评估。结果 在TV、BRISQUE和CLIP-IQA 3种无参考图像质量评估指标上相对于输入提升分别为0.016 5、0.127 2、0.007。结论 本文提出的改进W-GAN网络模型可以用于出血性脑卒中低剂量CT图像去噪的迁移学习任务,并取得良好的性能提升,为辅助医师诊断出血性脑卒中提供了一种可能的工具。

基于博弈论的网络攻防对抗模型及应用研究

网络攻防模型是研究网络攻防仿真建模的一项重要内容。目前使用较多攻击树等模型存在不能描述攻防双方的对抗、互动等特性的缺陷。文章研究了基于博弈论的攻防对抗模型,定义了攻防双方博弈的基本要素及相应的纳什均衡,剖析了常见的字典攻击,给出了博弈双方的攻防策略、攻防效用等的具体描述;最后结合Gambit工具进一步细化了字典攻击中的博弈模型,并给出了其纳什均衡。

基于改进对抗生成网络模型的肺气管图像分割

目的:为了提高肺部疾病的临床诊断准确率及其手术成功率,需要对肺气管的影像进行准确的分割。方法:提出一种全新的针对肺气管图像的三维图像分割算法,将深度学习中的对抗生成网络结构(GAN)、密集连接网络模型(Dense Net)以及多尺度连接(Multi Scale)结构应用到临床三维图像的分割中。结果:该方法可以从读取数据块中做到像素级的分割,根据相对坐标位置对分割结果进行投票,结合最大联通分量后处理办法,分割出精确到第四支的气管,算法在测试数据上的分割结果获得交并比(IOU)超过91.4%的准确率。结论:基于对抗生成网络的图像分割算法,无需人工交互即可获得形态学结构复杂(肺气管)的三维目标,能提高肺部疾病的临床诊断准确率和手术成功率。

基于维纳滤波器和生成对抗网络的动态模糊图像处理方法

在傅里叶频域中,由于逆滤波对加性噪声特别敏感,使得恢复后的图像仍然非常模糊.针对这一问题,我们提出了一种基于维纳滤波器和生成对抗网络的动态模糊图像处理方法.首先使用维纳滤波去模糊算法,通过均方差最小化去除噪声,但由于无法判断拍摄装置的移动范围并未得到预期效果.再考虑使用自由性强、不受预定条件分布的生成对抗网络模型(GAN).定义一个类生成器G(y)和类判别器D(x),通过机器学习的方式进行反复学习和反馈,直至达到模型无法判别生成数据样本S(y)和真实数据样本r(x)时,图像近似还原成功.同时,引入"模糊核"概念,模拟图像的模糊轨迹,进行精确还原.最后,由于肉眼很难对图像的还原程度做定量判断.因此我们利用三个评价指标对这些图像进行客观评价——峰值性噪比PSNR、模糊系数KBlur、质量因素Q.实验结果表明,在该方法下的图像的三个评价指标在一定程度上有所改善,从而得到图像还原较为成功的结论.

基于生成对抗网络的计算机异常数据入侵检测分析

阐述针对复杂大规模未知数据集实施有效检测,生成对抗网络模型的生成器和判别器,提升模型的数据训练能力和降低误检、漏检率,探讨生成对抗网络模型的机器学习方法。

基于生成式对抗网络的股价预测研究

为了降低股票市场中噪声信息和投资者情绪对股票价格的影响,以便给投资者带来较高的投资回报并降低交易风险,特提出一种基于金融双向编码器表征和瓦瑟斯坦距离的生成式对抗网络(financial bidirectional encoder representation from transformers and Wasserstein generative adversarial networks,FWGAN)股价预测模型。本模型首先采集东方财富网股评数据,并利用自然语言处理预训练模型将股评数据量化为情绪值,然后将情绪值连同历史股票交易数据、技术指标数据输入由长短期记忆网络(long-short-term memory,LSTM)为生成器和卷积神经网络(convolutional neural network,CNN)为判别器组成的FWGAN模型中进行训练。对比LSTM模型、门控神经网络(gated recurrent units,GRU)模型和生成式对抗网络(generative adversarial networks,GAN)模型对山西汾酒股价的预测性能,结果表明,FWGAN模型的均方根误差为2.572,达到最低,预测效果最好。试验结果验证了本模型对股票时间序列预测的有效性和优越性,可以为投资者进行股价预测提供参考。

主动代理网关与虚拟补丁联动的网络攻防对抗模型

以往的网络攻防对抗模型由于仅对采集的数据进行数据去噪和数据压缩处理,导致模型的应用效果不佳。因此,设计了主动代理网关与虚拟补丁联动的网络攻防对抗模型。通过采集网络攻防数据,对采集的数据分别进行数据去噪、数据压缩和数据像素偏移处理,提高数据的质量,利用主动代理网关对预处理后的数据进行筛选,通过计算数据的交互流判断数据是否符合标准,在虚拟补丁的作用下,补充数据信息,计算出数据的长度和标准差,完成对数据的特征提取,利用计算的攻击路径曲线和防御路径曲线的效用值,构建相应的网络攻防对抗模型。通过上述的设计,完成对网络攻防对抗模型的设计。在仿真实验中,和以往的网络攻防对抗模型相比,设计的主动代理网关与虚拟补丁联动的网络攻防对抗模型使用攻击成功率为91.8%,应用效果更好。

基于StarGAN-VC的语音风格转换技术

文章基于星型生成式对抗网络-语音转换(Star Generative Adversarial Networks-Voice Conversion,StarGAN-VC)模型,研究了一种先进的语音风格转换技术,旨在实现对语音信号的高效转换。首先,详细阐述了基于StarGAN-VC的语音转换方法的基本原理。其次,深入研究特征提取和基频转换方法,以及StarGAN-VC模型的数学原理。最后,通过在VCC2018数据集上的实验,验证了该方法的性能。实验结果表明,该方法在频谱包络相似度和基频准确度等指标上均取得了令人满意的效果。

手写体版面分析和多风格古籍背景融合

近年来,基于深度学习的版面分析和风格迁移等技术得到广泛的应用并取得了许多突破.为了对古籍多风格纹理进行复原,提出一种古籍版面分析和风格融合网络结构.首先利用生成对抗网络和多风格背景生成模型进行模型训练,形成多风格的古籍纹理;然后提出重排列算法进行版面分析,调整前景文字的排列位置;最后通过前景文字和古籍风格背景的融合实现文本背景的多风格生成.实验中,以古彝文、古汉语(秦小篆)、女真文的古籍和古画作为数据样本,对DCGANs模型进行参数和结构上的改进以提高模型的生成性能,结合交叉熵损失函数和Fréchet inception distance(FID)对生成结果进行评估,得到在FID上表现最佳的训练模型M8并将其作为多风格背景生成模型,与DCGANs模型相比,生成性能提高19.26%,图像生成质量有了明显提升.

船体曲面特征的计算机视觉认知与生成机制研究

船体曲面的型值数据与图片数据都是序列相关型数据,即数据排列形式与所表达信息紧密相关的数据类型,因此用于图片分类和生成的计算机视觉技术,理论上也适用于船体曲面特征的认知与生成。本文基于此共性假设,对基于计算机视觉的船体曲面特征认知与生成机制开展系列研究。通过卷积神经网络搭建多元分类器用于识别不同区域的船体曲面形状,在多种曲面分割方案下均得到较为理想的分类精度;基于生成式对抗网络模型,设计一体式和分区式船体曲面生成方法,并根据这两种方法分别尝试进行曲面生成和重构,证明两种方法都能依据其自身特点部分实现船体曲面生成功能,为后续的研究提供参考。本文研究结果可为船体曲面快速建模与变形方法方面的研究提供技术和理论支持。

基于点集匹配的缺陷样本图像生成方法

针对工业缺陷检测中存在的由产品次品率过低、产品迭代更新过快、缺陷种类难以覆盖全部以及缺陷样本高质量标注难度较高导致的小样本问题,使用基于点集匹配的缺陷样本图像生成方法来对缺陷数据进行扩充。将缺陷部位从多特征角度进行变换,使用单张样本进行扩充得到不同特征的缺陷图像,解决小样本条件下深度学习方法难以生成高质量缺陷图像的问题。通过图像评估与实验验证,该方法生成的图像具有更好的视觉效果,并且对缺陷与分割模型有着高效的提升。该方法可应用于样本较少的深度学习模型训练过程中,达到扩充样本提高训练效果的目的。

基于多源地学数据的找矿预测应用研究

为提高地质找矿精度,本文结合研究区化探、航磁、地质以及断裂构造数据,运用卷积神经网络(CNN)模型,对基于多种数据的铜矿床预测结果进行了对比分析。结果表明:在运用卷积神经网络(CNN)模型进行找矿预测前,需要利用克里格插值法对化探和航磁数据进行预处理;同时传统地质数据断裂构造解释不详细的问题,需利用生成式对抗网络(GAN)模型对遥感影像数据进行断裂构造数据的解译,从而获得多种地质数据。基于化探、航磁、地质以及断裂构造数据预测得到的铜矿床面积分别占研究区的27.3%、12.1%和19.7%;由于地质数据仅包括研究区的主干断裂,导致在预测过程中某些重点找矿区未被圈定,而采用GAN模型对断裂构造数据进行训练预测后,未被圈定的区域被重新圈定,将断裂构造数据+化探航磁数据相结合应用到铜矿床预测模型中,具有更好的预测效果和可信度。